6G 网络中毫米波波束预测的对抗安全与差分隐私
密码学与安全
2023-05-18 v1
摘要
在即将到来的 6G 时代，毫米波通信预计将用于具有高带宽需求的密集用户场景，这需要高效且准确的波束预测。基于机器学习（ML）的方法正成为实现 6G 毫米波通信高效波束预测的关键解决方案。然而，大多数当代 ML 分类器极易受对抗样本影响。攻击者可通过在模型本身中添加噪声轻易扰动该方法。为缓解此问题，本工作提出一种防御机制，通过引入对抗训练来削弱针对用于毫米波波束预测的基于 ML 的模型的对抗攻击。此外，由于训练 6G 毫米波波束预测模型需要使用可能包含用户位置敏感信息的大型综合数据集，差分隐私（DP）作为一种技术被引入，通过在数据集中有意添加低敏感度受控噪声来保护信息机密性。它确保即使可检索到用户位置信息，攻击者也无从判断该信息是有意义还是无意义的。通过对多种室外与室内场景的射线追踪仿真，我们展示了所提新框架在波束预测精度与有效可达速率方面的优势，同时保障了通信的安全与隐私。
引用
@article{arxiv.2305.09679,
title = {Adversarial Security and Differential Privacy in mmWave Beam Prediction in 6G networks},
author = {Ghanta Sai Krishna and Kundrapu Supriya and Sanskar Singh and Sabur Baidya},
journal= {arXiv preprint arXiv:2305.09679},
year = {2023}
}